往期推薦：
Flink在1.11版本新增了一種部署模式，目前支援三種：Session 模式、Per job 模式、Application 模式，這三種模式主要在叢集管理、資源隔離、使用者main方法執行位置幾個方面有所不同。
本篇會按照下面幾個步驟進行介紹：
1 什麼是Session模式
2 什麼是Per Job模式
3 從任務解析過程到Application的設計初衷
4 什麼是Application模式
5 啟動過程原始碼分析
6 總結與參考資料
Session 模式
Flink支援事先建立好一個叢集，然後往這個叢集上提交任務。所有的任務都在客戶端進行編譯，編譯成JobGraph後，附加上依賴的庫，提交到Flink的叢集。叢集接收到任務後，會再建立對應的JobMaster進行ExecutionGraph的解析，然後申請資源並執行。如果Flink叢集申請的TM內部有很多Slot，那麼會按照Slot的粒度進行任務分配，這樣就可能在一個TM上執行多個任務。
這樣設計的好處是，多個任務可以共用一套叢集，方便管理監控。但是帶來的缺點也很明顯，當某一個任務崩潰高掛了對應的TM，上面其他的任務都會受到影響。其他的任務受影響崩潰不說，如果大面積的任務恢復，也可能導致JM的效能壓力。
因此Session模式適用於量多、執行任務時間短、對資源不敏感的場景，比如作為線上(即席)查詢引擎。
關於Session模式的部署和使用，也可以參考之前的文章：
Flink Sql-Gateway在Yarn Session模式下的工作原理
Per job 模式
為了進行更好的資源隔離，Flink支援為每個任務單獨建立一個叢集，該模式目前支援Yarn、K8s等。當任務執行完畢，叢集會自動關閉並回收資源。這樣就保證了更好的資源隔離，單獨的任務失敗也不會影響其他的任務。另外，這種模式分攤了JM的壓力到每個任務，因此這種模式更適合生產環境部署。
觀察下圖可以發現，per job模式和session模式，只有提交任務和啟動graph不一樣，其他後面的流程都是一樣的。
因此Per Job模式適用於執行任務長、對資源敏感或者消耗資源大的任務。
從任務解析過程到Application的設計初衷
在Flink 1.11之前僅有上面兩種模式，那麼新實現的Application模式又是什麼呢？在瞭解Application的由來時，最好先來了解下Flink程式的執行過程。
以DataStream API的程式為例，我們編寫的.map().print()屬於程式程式碼，對應上圖的program code：
1 當執行env.execute()時，會觸發程式程式碼編譯成StreamGraph，StreamGraph主要的作用就是把.map、.partition等翻譯成資料流圖中的節點和邊。
2 接下來任務提交前，會把StreamGraph編譯成JobGraph，JobGraph更像是可以執行的圖結構，並會對其中的一些節點進行合併優化，也叫做chain。比如輸入資料後進行map操作，就可以在一個節點中同時完成讀取和map操作。
3 生成JobGraph後，再把需要的依賴資源，如第三方Jar等一起提交到叢集。
4 提交到叢集后，session和job模式有所不同。session模式已經存在一個叢集，此時的提交是直接傳送到叢集的dispatcher，內部建立對應的JobMaster，編譯成ExecutionGraph。如果是per job模式則需要新建一個叢集，等服務啟動後，把附加過來的jobGraph直接用內部的dispatcher啟動。他們的倆的區別簡單來說，就是一個是事先建立好的叢集，一個是臨時啟動的叢集。
5 說回到ExecutionGraph，它就是常說的執行圖，執行圖代表了真正物理執行的拓撲圖，比如並行的節點有多少；每個節點讀取什麼資料，從哪裡讀取；每個節點輸出什麼資料，輸出到哪裡；然後JobMaster通過排程器進行任務分配。
6 申請好的TM內部會有很多Slot，每個Slot接收發來的Task進行執行，直到任務結束。
7 任務結束後，Session模式會釋放任務申請的資源，並通知內部的ResourceManager元件，方便後續來任務繼續執行；Per Job模式會直接釋放叢集。
可以發現，無論是Session還是Per Job，程式程式碼都是在客戶端編譯完成。這裡的客戶端就是我們執行flink run啟動的程式（其實是CliFrontend）。假如現在需要做一個平臺給多個使用者提交任務，或者任務的量級很大，那麼客戶端的壓力會非常大。因為編譯生成StreamGraph和JobGraph需要消耗大量的CPU，下載依賴的Jar包資源、上傳JobGraph也需要大量的網路頻寬，客戶端很容易成為瓶頸。此時，就考慮可不可以把編譯圖的工作放在叢集中完成？就類似於Spark的cluster模式，這就是Appllication模式。
Application 模式
Application的設計跟per job非常像，只不過客戶端不在編譯圖，而是直接把執行的Jar和引數資訊傳送到yarn的AppMaster，在該程式中，同時完成JM的啟動、編譯圖（使用者main方法執行）、任務執行等過程。
這樣還帶來了其他的好處，比如一些公共的lib可以直接儲存在Hdfs，避免多次上傳下載浪費流量。
以Yarn部署為例，想要啟動application模式，可以使用下面的命令：
# 基於application模式啟動本地jar./bin/flink run-application -t yarn-application \./examples/batch/WordCount.jar# 附加叢集引數配置./bin/flink run-application -t yarn-application \-Djobmanager.memory.process.size=2048m \-Dtaskmanager.memory.process.size=4096m \./examples/batch/WordCount.jar# 基於application模式啟動遠端jar./bin/flink run-application -t yarn-application \-Dyarn.provided.lib.dirs="hdfs://myhdfs/my-remote-flink-dist-dir" \hdfs://myhdfs/jars/my-application.jar
啟動過程原始碼分析
觀察flink指令碼，可以看到 exec … org.apache.flink.client.cli.CliFrontend “$@“ 的命令，這就是客戶端程式碼入口。
在run中是正常session和job的啟動流程，在runApplication中為application模式啟動流程。
在run中通過反射直接執行使用者程式碼的main函式，在使用者程式碼的execute()方法中編譯圖並提交到yarn。如果是session則直接傳送給dispatcher，如果是per job則重新建立叢集。
在Application中直接建立遠端叢集，並附加Application相關引數：
目前提交到叢集啟動的Master程式大致可以分為下面幾種，後續會詳細探索下各個Entrypoint中的細節。
總結
在Session模式中，叢集的生命週期與任務無關，可以在叢集中同時提交多個任務，他們共享叢集資源。Per job模式中，每個任務單獨維護叢集，可以做到更好的資源隔離，叢集的生命週期與任務相同。在Application模式中，為每個應用建立一個叢集，main方法會執行在叢集中，避免客戶端過大的壓力。
參考
Flink 1.11 官方文件——叢集與部署：
https://ci.apache.org/projects/flink/flink-docs-release-1.11/ops/deployment/
Flink 1.11 官方文件——Yarn叢集與部署：
https://ci.apache.org/projects/flink/flink-docs-release-1.11/ops/deployment/yarn_setup.html#user-jars--classpath
Flink 1.11 官方文件——CLI客戶端命令：
https://ci.apache.org/projects/flink/flink-docs-release-1.11/ops/cli.html
FLIP-85 Application Mode：
https://cwiki.apache.org/confluence/display/FLINK/FLIP-85+Flink+Application+Mode
關於Application模式的郵件討論：
http://apache-flink-mailing-list-archive.1008284.n3.nabble.com/DISCUSS-FLIP-85-Delayed-Job-Graph-Generation-td35759.html
[簡書]Flink 1.11 中的Application模式：
https://www.jianshu.com/p/85f2b32186cb